安博文，胡春暖，劉 杰，曹彥玨

?

基于Hough變換的海天線檢測(cè)算法研究

安博文，胡春暖，劉 杰，曹彥玨

（上海海事大學(xué)，上海 201306）

海天線檢測(cè)是紅外航拍圖像的一項(xiàng)重要研究?jī)?nèi)容。深入探討海天線檢測(cè)問題，給出了一種實(shí)用的檢測(cè)算法。首先，對(duì)獲取的紅外圖像進(jìn)行梯度運(yùn)算，采用Ostu閾值分割方法，獲取海天邊緣信息；然后根據(jù)Hough變換原理，完成海天線的檢測(cè)。此外，通過隨機(jī)點(diǎn)采樣提高了海天線檢測(cè)的速率，通過多線段擬合提高了檢測(cè)的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，本算法可以準(zhǔn)確、高效地檢測(cè)出海天線，為下一步研究奠定了基礎(chǔ)。

海天線；隨機(jī)采樣；Hough變換；多線段擬合

0 引言

在機(jī)載紅外成像搜救系統(tǒng)中，海天線檢測(cè)是進(jìn)行紅外目標(biāo)檢測(cè)跟蹤的一個(gè)重要環(huán)節(jié)。一方面，確定海天線可以縮小目標(biāo)搜索的區(qū)域。在搜救的紅外航拍圖像中，一幅圖像可以分為3個(gè)部分：天空、海天線、海面。獲取海天線的位置信息后，計(jì)算機(jī)就可以只搜索海天線以下的區(qū)域，減少運(yùn)算量，保證系統(tǒng)的實(shí)時(shí)性。另一方面，海天線檢測(cè)可以降低目標(biāo)檢測(cè)的錯(cuò)誤率。海天線附近的條件往往比較復(fù)雜，遠(yuǎn)處的艦船、天空的云層都會(huì)對(duì)目標(biāo)搜索造成干擾，影響搜救的進(jìn)度。檢測(cè)到海天線后，可以排除對(duì)海天線附近的干擾信息，提高目標(biāo)檢測(cè)準(zhǔn)確率

但是，復(fù)雜海面背景下海天線檢測(cè)存在一定的難度[1]。其中最重要的一個(gè)因素是海浪的干擾，條紋狀的海浪在圖像中呈現(xiàn)出和海天線相似的特點(diǎn)，容易造成誤判；另外，海天線附近的連續(xù)云層，可能導(dǎo)致海天檢測(cè)發(fā)生偏離。

許多文獻(xiàn)也對(duì)海天線檢測(cè)算法進(jìn)行了研究。趙峰民等給出了一種基于最長(zhǎng)曲線的海天線檢測(cè)算法[2]，采用Canny算子進(jìn)行邊緣檢測(cè)，對(duì)檢測(cè)到的邊緣進(jìn)行連接形成相互獨(dú)立的幾個(gè)目標(biāo)，最后基于最長(zhǎng)曲線法進(jìn)行邊緣檢測(cè)；劉士建等通過模版運(yùn)算大尺度地增強(qiáng)圖像海天線區(qū)域的梯度值[3]，設(shè)計(jì)了一種非線性分割的方法對(duì)圖像進(jìn)行處理，最后對(duì)圖像進(jìn)行行掃描提取出海天線；桂陽等提出了一種基于區(qū)域方差和Ransac算法的新方法[4]。該方法首先搜尋圖像中設(shè)定區(qū)域內(nèi)方差最大值的位置，并以此確定出若干海天線候選點(diǎn)坐標(biāo)，然后結(jié)合Ransac算法求取海天線直線參數(shù)。石文君等采用多幀能量積累方法提高紅外圖像對(duì)比度[5]，然后運(yùn)用Gabor變換和Gabor多通道濾波器濾除圖像干擾部分和凸顯圖像中的海天線部分，最后使用邊緣檢測(cè)和Hough變換實(shí)現(xiàn)海天線的提取。以上算法在各自應(yīng)用背景下都取得了一定的效果，本文針對(duì)機(jī)載紅外搜救場(chǎng)景中的應(yīng)用，提出了改進(jìn)型的基于Hough變換的海天線檢測(cè)算法。

1 邊緣檢測(cè)

邊緣檢測(cè)是基于灰度突變來分割圖像的最常用方法。本文通過計(jì)算紅外圖像梯度的方法來獲取包含海天線的邊緣信息。

對(duì)于一幅圖像，可以用梯度?度量其在(,)位置的邊緣的強(qiáng)度和方向，該向量指出了圖像在(,)處最大變化率的方向。梯度的定義為：

用(,)表示?的大小，其意義為梯度方向變化率的值，即：

值得注意的是，g，g和(,)都是與原圖像大小相同的圖像，是和在中的所有像素位置上變化產(chǎn)生的。

采用Ostu[6]的方法對(duì)梯度運(yùn)算后的圖像進(jìn)行分割。設(shè)圖像的灰度范圍是｛0,…,｝，灰度為的像素出現(xiàn)的概率為p，分割的閾值為，則圖像可以分為2部分——灰度值大于的部分和灰度值小于的部分，2部分出現(xiàn)的概率分別為：

兩部分的灰度平均值分別為0()和1()，圖像的總體灰度平均值為u，則圖像的類間方差可以表示為：

對(duì)所有的值進(jìn)行遍歷，找到類間方差最大時(shí)的值max，即圖像分割的閾值，從而得到分割后的圖像。

2 隨機(jī)點(diǎn)采樣

在圖像處理系統(tǒng)中，為了保證實(shí)時(shí)性，必須提高前期圖像處理各個(gè)步驟的速度。在進(jìn)行Hough直線檢測(cè)計(jì)算時(shí)，要分別對(duì)圖像的行和列進(jìn)行掃描計(jì)算，算法的時(shí)間復(fù)雜度為(2)。

本文根據(jù)紅外圖像特點(diǎn)和Hough邊緣原理，提出了一種隨機(jī)采樣的方法以減少計(jì)算量。通過研究發(fā)現(xiàn)，對(duì)目標(biāo)圖像中非背景點(diǎn)進(jìn)行一定程度的隨機(jī)采樣，可以提高速度的同時(shí)可以保證海天線檢測(cè)的準(zhǔn)確性。隨機(jī)采樣使得目標(biāo)點(diǎn)和干擾點(diǎn)數(shù)量同步減少，而之間的比例基本不發(fā)生變化。

3 Hough直線檢測(cè)

對(duì)于平面，通過平面上的任意一點(diǎn)(x,y)的直線有無數(shù)條，并且可以表示為y＝ax＋。該公式可以改寫為＝－xa＋y，這可以看成是平面（也稱為參數(shù)空間）中自變量和因變量分別為和的直線。因此平面上通過點(diǎn)(x,y)的直線族轉(zhuǎn)化為平面上的一條直線?？紤]到平面上另一點(diǎn)(x,y)，其在平面對(duì)應(yīng)的方程為＝－xa＋y。在平面中，由于(x,y)，(x,y)兩點(diǎn)確定一條直線，直線的參數(shù)和確定，因此其在平面兩條對(duì)應(yīng)直線會(huì)相交于一點(diǎn)(a,b)，如圖1所示。推論可知，對(duì)于平面確定直線上的點(diǎn)集，其映射到平面的直線集都相交于一點(diǎn)。

圖1 xy平面和ab平面映射關(guān)系

從理論上說，通過這個(gè)方法可以計(jì)算出圖像中所有非背景點(diǎn)(x,y)的對(duì)應(yīng)參數(shù)空間直線，進(jìn)行直線檢測(cè)[7]。但是當(dāng)直線的斜率趨近于無限大，也就是接近垂直方向時(shí)，會(huì)造成計(jì)算上困難。為了解決該問題，使用極坐標(biāo)法表示圖像：

cos＋sin＝(5)

和參數(shù)空間類似，可以把平面上的點(diǎn)映射到平面上的曲線，如圖2所示。

為了獲取相關(guān)參數(shù)，將參數(shù)空間細(xì)分為累加器單元，如圖3所示。對(duì)平面上圖像的每一個(gè)非背景點(diǎn)的坐標(biāo)(x,y)進(jìn)行坐標(biāo)轉(zhuǎn)換計(jì)算，平面上點(diǎn)的通過公式＝xcos＋ysin可以轉(zhuǎn)化為參數(shù)空間上的曲線[8]。的取值范圍是[－p/2,p/2]，的取值范圍是圖像中非背景點(diǎn)距離原點(diǎn)的最小值和最大值。對(duì)于軸上每一個(gè)量化的值，都可以得到相應(yīng)的值。將得到的值進(jìn)行四舍五入，對(duì)應(yīng)到軸上的量化的值空間。相應(yīng)的(,)單元的累加值對(duì)應(yīng)增加。整個(gè)過程結(jié)束以后，統(tǒng)計(jì)每個(gè)單元的累加值。

圖2 xy平面和ρθ平面映射關(guān)系

圖3 ρθ空間累加器

Fig.3space accumulator

本文中，只要確定海天線所在的直線，而不需要考慮到其他直線。海天線是通過Hough直線檢測(cè)特征最明顯的直線，因此只要獲取參數(shù)空間中累加值最大的(ρ,θ)，通過公式＝cos＋sin進(jìn)行反運(yùn)算，就可以得到平面上擬合海天線的直線。

4 多線段擬合

以上基于Hough變換進(jìn)行海天線檢測(cè)時(shí)，是在認(rèn)為海天線是直線下進(jìn)行的，Hough檢測(cè)所得到的擬合海天線也是一條直線。但是在實(shí)際情況中，由于海浪，遠(yuǎn)處島嶼以及相機(jī)拍攝角度等因素的影響，獲取的圖像中海天線呈現(xiàn)的是接近直線的曲線[9]。針對(duì)這種情況，本文提出了多線段擬合的方法以提高海天線檢測(cè)的準(zhǔn)確率[10]。

5 算法仿真

實(shí)驗(yàn)中，對(duì)獲取的紅外原始圖像進(jìn)行梯度運(yùn)算，二值化操作，得到邊緣檢測(cè)結(jié)果。從圖中可以看出，除了海天線和小目標(biāo)所在區(qū)域外，其它的邊緣信息較少，基本克服了海面雜波所造成的干擾。將其與roberts算子的邊緣檢測(cè)相比，本文方法對(duì)海天線部分增強(qiáng)效果，對(duì)雜波干擾抑制的效果都較好，如圖4所示。

圖4 邊緣檢測(cè)結(jié)果

Fig.4 Edge detection results

本文中用采樣率為0.50的模板對(duì)獲取的邊緣檢測(cè)圖像進(jìn)行隨機(jī)采樣以降低算法的計(jì)算量。在保證檢測(cè)準(zhǔn)確率的情況下可以進(jìn)行多次采樣。采樣的結(jié)果如圖5所示。從紅外視頻圖像序列中選擇3幅圖像進(jìn)行Hough直線檢測(cè)計(jì)算，多次計(jì)算統(tǒng)計(jì)時(shí)間平均值，結(jié)果顯示采樣后檢測(cè)速度明顯提高，具體如表1所示。

圖5 隨機(jī)采樣結(jié)果

Fig.5 Random sampling results

表1 Hough直線檢測(cè)時(shí)間

在進(jìn)行海天線檢測(cè)時(shí)，對(duì)空間量化為300×300大小的量化空間，將最終的累加器結(jié)果轉(zhuǎn)化為灰度圖，如圖6(a)所示。圖中亮度較大的部分表示累加值較高，反之則累加值較低。獲取累加器中的峰值參數(shù)，可以得到平面中的對(duì)應(yīng)的直線方程，在和原始圖同等大小的二值圖像中繪制方程所表示的直線，即得到擬合的海天線，如圖6(b)所示。

圖6 Hough變換海天線檢測(cè)

為了進(jìn)行多線段擬合，對(duì)隨機(jī)點(diǎn)采樣后的圖像進(jìn)行分割。圖7是對(duì)一次隨機(jī)采樣結(jié)果圖像（圖5(a)）進(jìn)行1×8分割的結(jié)果。對(duì)分割后的子圖像分別進(jìn)行Hough直線檢測(cè)，檢測(cè)結(jié)果如圖8所示。對(duì)檢測(cè)的結(jié)果子圖像進(jìn)行重新拼接，得到了多線段擬合的海天線檢測(cè)結(jié)果，如圖9所示。比較圖4(a)，圖6(b)以及圖9可知，采用多線段擬合的方法得到的海天線檢測(cè)結(jié)果更加精確。

圖7 分割子圖像

圖8 子圖像檢測(cè)結(jié)果

圖9 多線段擬合結(jié)果

Fig.9 Multi-line fitting results

6 結(jié)論

本文根據(jù)紅外搜救的實(shí)際應(yīng)用，采用了Hough變換直線檢測(cè)算法完成了海天線檢測(cè)。針對(duì)Hough變換計(jì)算量大影響實(shí)時(shí)性，巧妙地采用了隨機(jī)點(diǎn)采樣的方法；針對(duì)紅外圖像中海天線非直線的實(shí)際情況，采用了多線段擬合的方法。實(shí)驗(yàn)結(jié)果表明，本文的算法在檢測(cè)圖像中的海天線可以達(dá)到較為理想的效果。

海天線檢測(cè)是目標(biāo)檢測(cè)與跟蹤的重要環(huán)節(jié)[12]，本課題未來的研究重點(diǎn)方向是提高海天線檢測(cè)的速度和精度以滿足實(shí)際工程應(yīng)用。

[1] Gu Yan-feng, Wang Chen, Liu Bao-Xue, et al. A Kernel-based non- parametric regression method for clutter removal in infrared small-target detection applications[J]., 2010, 3: 469-473.

[2] 趙峰民, 楊凱, 蔡天一, 等. 基于最長(zhǎng)曲線法的海天線檢測(cè)算法[J]. 兵工自動(dòng)化, 2009, 28(4): 82-84.

[3] 劉士建, 蔣敏, 莊良. 一種快速有效的紅外圖像中海天線提取算法[J]. 紅外技術(shù), 2011, 33(4): 230-233.

[4] 桂陽, 李立春, 王鯤鵬, 等. 基于區(qū)域方差和RANSAC的海天線檢測(cè)新方法[J]. 激光與紅外, 2008, 38(11): 1149-1151.

[5] 石文君, 吳中川, 王曉紅, 等. 低對(duì)比度條件下基于能量積累和Gabor變換的海天線提取[J]. 紅外技術(shù), 2010, 32(5): 283-287.

[6] 岡薩雷斯, 伍茲, 艾汀斯. 數(shù)字圖像處理(MATLAB版)[M]. 阮秋琦, 譯. 北京: 電子工業(yè)出版社, 2013: 296-304.

[7] 王茜蒨, 彭中, 劉莉. 一種基于自適應(yīng)閾值的圖像分割算法[J]. 通信學(xué)報(bào), 2003, 23(4): 521-524.

[8] 梁世花. 海天背景下紅外弱小目標(biāo)的檢測(cè)[D]. 武漢: 武漢理工大學(xué), 2012: 7-19.

[9] Shi C, Xu K, Peng J, et al. Architecture of vision enhancement system for maritime search and rescue[C]//,2008, 8, 2008: 12-17.

[10] Yang L, Yang J, Yang K. Adaptive detection for infrared small target under sea-sky complex background[J]., 2004, 40(17): 1083-1085.

[11] 王兵學(xué), 雍楊, 霍義華, 等. 基于紋理特征分析的海天線檢測(cè)方[J]. 紅外技術(shù), 2013, 35(1): 42-46.

[12] 董宇星, 劉偉寧. 天背景小目標(biāo)檢測(cè)[J]. 中國(guó)光學(xué), 2010, 15(3): 252-256.

Study of Sea-sky-line Detection Algorithm Based on Hough Transform

AN Bo-wen，HU Chun-nuan，LIU Jie，CAO Yan-jue

（，201306，）

Sea-sky-line detection is an important research content of infrared aerial image.The paper focuses on the problem of sea-sky-line detection and proposes a practical detection method. Firstly, the paper uses the way of calculating the gradient of the obtained infrared image and segmenting the image based on OSTU to get the edge information. Then the paper detects the sea-sky-line based on the Hough Transform. In addition, random sampling is used to improve detection speed and multi-line fitting is adopted to improve detection accuracy. Experimental results show that the algorithm can detect the sea-sky-line accurately and efficiently, which lays a foundation for further study.

sea-sky-line，random sampling，Hough transform，multi-line fitting

TP391

A

1001-8891(2015)03-0196-04

2014-08-18；

2014-09-23.

安博文（1969-），男，教授，博士研究生，研究方向?yàn)榧t外數(shù)字圖像處理，海纜在線監(jiān)測(cè)系統(tǒng)。

國(guó)家自然科學(xué)基金，編號(hào)：61171126；上海重點(diǎn)支撐項(xiàng)目，編號(hào)：12250501500；上海海事大學(xué)研究生創(chuàng)新基金資助項(xiàng)目，編號(hào)：yc2014025。